多要素SVM時間序列預測研究及其并行化實現(xiàn).pdf

1、支持向量機作為新提出的機器學習方法，克服了傳統(tǒng)的線性統(tǒng)計方法和神經(jīng)網(wǎng)絡的局限性，因而被廣泛應用模式識別、分類和預測中。近年來，隨著支持向量機的廣泛應用和技術的不斷改進，推動了時間序列預測水平的發(fā)展。 本文通過研究時間序列預測方法和支持向量機回歸理論知識，提出基于相關性分析的多要素支持向量機回歸預測模型。在訓練模型的構建過程中，通過引入貝葉斯網(wǎng)以確定要素間影響關系。將數(shù)據(jù)集中的各個要素作為貝葉斯網(wǎng)節(jié)點，構建貝葉斯網(wǎng)模型，并根據(jù)網(wǎng)絡

2、中要素間的依賴關系，對多個要素的關聯(lián)性進行分析，選取時間序列預測的要素集，最后依據(jù)選出的要素集構建多要素支持向量機回歸預測模型，以求得到更好的預測準確率。 本文在此模型的基礎上，在多要素的選取過程中改進了離散貝葉斯算法，以提高貝葉斯網(wǎng)模型的生成效率和準確率。并在確定時間序列維數(shù)的過程中，采用了相空間重構技術。建立支持向量機模型選擇參數(shù)時，本文分析并比較了交叉驗證、遺傳算法等方法，提出了并行的交叉驗證方法（PCV），以提高支持向量

3、機的參數(shù)優(yōu)化的效率。 文中由于采用了多要素的支持向量機時間序列預測，輸入數(shù)據(jù)的維數(shù)較高，對提出的訓練模型應用MPI并行算法，采用單程序多數(shù)據(jù)（SPMD）并行訓練模型的支持向量機訓練算法，利用反饋以提高預測的精度，并應用所提出上的并行交叉驗證方法進行參數(shù)尋優(yōu)。 文章以氣象數(shù)據(jù)作為實驗數(shù)據(jù)，通過多組實驗比較，該方法較之已有的單要素的支持向量機回歸方法，具有預測精度更高、泛化能力更強、訓練速度更短的特點，為復雜系統(tǒng)的時間序列預